Une architecture pour coordonner le comportement de différents robots au sein d'une équipe

4 mai 2023 feature

Cet article a été revu selon le processus éditorial et les politiques de Science X. Les éditeurs ont mis en évidence les attributs suivants tout en garantissant la crédibilité du contenu:

• vérification des faits
• prépublication
• source de confiance
• relecture

par Ingrid Fadelli, Tech Xplore

Lorsqu'ils abordent des missions en équipe, les robots devraient être capables de coordonner leurs efforts, par exemple en accomplissant différentes sous-tâches, en surveillant différentes parties d'un environnement cible, etc. Au cours des dernières années, les informaticiens ont donc développé des modèles informatiques conçus pour coordonner les actions et les comportements de différents robots en équipe.

Des chercheurs de l'Université de technologie de Luleå en Suède ont récemment introduit une nouvelle méthode de coordination multi-agents qui intègre une tâche basée sur une enchère avec des arbres comportementaux, des modèles mathématiques souvent utilisés en informatique pour exécuter des plans. Cette méthode, présentée dans un article prépublié sur arXiv, a été trouvée pour organiser efficacement les actions de plusieurs robots qui travaillent pour atteindre un objectif commun, notamment lorsqu'ils accomplissent des tâches qui couvrent différentes étapes.

"Nous avons constaté un besoin d'architecture de répartition de tâches flexible et réactive pour coordonner les systèmes multi-agents", a déclaré Niklas Dahlquist, l'un des chercheurs qui a mené l'étude, à Tech Xplore. "J'ai travaillé précédemment avec des arbres comportementaux et c'est pourquoi j'ai pensé que les combiner avec un système de répartition de tâches pourrait donner un cadre flexible qui permet également une intégration facile de nouveaux types de tâches et différents agents."

L'architecture développée par Dahlquist et ses collègues est basée sur une approche de marché, qui sous-tend le fonctionnement des enchères. Essentiellement, les agents robotiques individuels d'une équipe estiment le coût lié à l'accomplissement de différentes sous-tâches qui doivent être achevées, plaçant des "offres" par le biais d'un système d'enchères centralisé. Par la suite, ce système d'enchères analyse ces "offres" et attribue des tâches optimales à chacun des agents.

"Notre architecture a également une couche locale, qui consiste en un arbre comportemental, qui guide les agents individuels pour accomplir une tâche allouée", a expliqué Dahlquist. "Cela donne l'avantage qu'il n'est pas nécessaire qu'une unité centralisée ait une connaissance globale complète sur le système, tout ce dont elle a besoin ce sont les offres des agents et cela réduit également la charge de calcul."

L'architecture de coordination multi-agents proposée par cette équipe de chercheurs pourrait avoir des avantages remarquables par rapport à d'autres modèles proposés dans le passé qui reposent généralement uniquement sur la théorie des enchères ou des équipes comportementales. En séparant les étapes d'affectation des tâches et d'exécution, par exemple, cette approche pourrait être plus facile à appliquer à des équipes contenant des agents robotiques avec des capacités différentes ou des missions qui impliquent des sous-tâches très différentes.

"Le résultat le plus notable de ce travail est l'intégration des arbres comportementaux avec l'affectation de tâches pour permettre l'incorporation de tâches multi-étapes", a déclaré Dahlquist. "Cela donne une architecture flexible et évolutive pour aborder des scénarios où les tâches spécifiques ne sont pas connues à l'avance."

Dalquist et ses collègues ont évalué leur architecture dans une série d'expériences dans leur laboratoire, en utilisant plusieurs robots TurtleBot3. Leurs résultats étaient très encourageants, car leur méthode pourrait coordonner les efforts de ces robots lorsqu'ils accomplissaient collectivement des missions simples.

Dans le futur, cette nouvelle architecture pourrait être appliquée et testée dans des scénarios plus complexes, impliquant différents types de robots ou une gamme plus large de sous-tâches. De plus, elle pourrait potentiellement inspirer la création d'approches similaires pour coordonner les efforts de différents agents.

"Nos travaux futurs se concentreront sur l'incorporation de nouveaux types de tâches et l'introduction d'agents hétérogènes, tels que des UAV, et d'un couplage plus complexe entre l'affectation de tâches et les arbres comportementaux", a ajouté Dahlquist. "Nous travaillons également à démontrer la faisabilité en effectuant des déploiements plus importants dans des environnements plus réalistes."

© 2023 Science X Network